Depuis une bonne partie de cette décennie, le paradigme dominant des interactions avec l’intelligence artificielle est réactif. Nous demandions ; elle répondait. Nous formulions une invite ; elle générait.
Toutefois, l’émergence de l’IA agentique marque un tournant, une migration structurelle des grands modèles de langage (LLM) en tant que simples moteurs de raisonnement vers des LLM utilisés comme noyaux d’exécution. Cette transition n’est pas une simple mise à jour logicielle incrémentielle ; elle redéfinit le rôle de la machine dans l’écosystème numérique, la faisant passer du statut de conseillère à celui de déléguée autonome.
Même si une définition universellement admise fait encore défaut, un consensus se dessine autour du concept central. Fondamentalement, l’IA agentique désigne des systèmes d’intelligence artificielle capables de poursuivre des objectifs complexes de manière autonome. Ces systèmes ne se contentent pas d’attendre une invite ; ils peuvent anticiper, prendre des initiatives et agir pour atteindre un objectif.
La clé de cette autonomie réside dans la capacité d’un système à raisonner, planifier et s’adapter. Contrairement à l’IA traditionnelle, limitée par des règles prédéfinies et une nature réactive, l’IA agentique peut décomposer un objectif complexe en un plan en plusieurs étapes, exécuter ces étapes et tirer des enseignements des résultats. Elle peut interagir avec son environnement, utiliser des outils externes et modifier son approche en fonction de nouvelles informations.
Il s’agit d’un passage d’une IA qui aide à « réfléchir » à une IA qui aide à « agir ».
- IA agentique, agent IA, IA générative et workflow/automatisation
- Terminologie et vocabulaire essentiels
- Comment fonctionne l’IA agentique : le modèle en trois composants
- Composants architecturaux
- Capacités fondamentales des agents IA
- Modèles de conception des agents
- La couche protocolaire : comment les agents communiquent avec les outils et entre eux
- Frameworks et SDK : avec quoi construire concrètement
- Comment les agents sont évalués
- Sécurité et risques : le Top 10 de l’OWASP pour les applications agentiques (2026)
- Technique d’atténuation principale
- Où trouver l’IA agentique
- Produits et cas d’usage réels (ce qui est effectivement disponible)
- Gestion de l’IA agentique
- Une checklist décisionnelle pratique
- Pour conclure
IA agentique, agent IA, IA générative et workflow/automatisation
Tous les systèmes d’IA ne sont pas des agents ; ces termes sont souvent employés indifféremment, mais ils désignent différents niveaux de capacité, d’autonomie et de prise de décision.
- IA générative: Produit une sortie (texte, image, code) en réponse à une invite. Aucun objectif persistant, aucune boucle.
- Agent IA : Un composant unique, associant un modèle à des outils et à une mémoire, capable d’agir en vue d’un objectif.
- IA agentique : Le système ou l’approche au sens large, qui coordonne souvent plusieurs agents IA autour d’un objectif plus vaste.
- Workflow/automatisation : Un chemin d’exécution prédéfini qui fait appel à un LLM.
| Capacité | Chatbot | Assistant IA | Automatisation des workflows | Agent IA | IA agentique |
| Interaction | Questions-réponses, réactive | Aide les utilisateurs à accomplir des tâches | Exécute des étapes prédéfinies | Planifie, prend des décisions, utilise des outils | Catégorie générale de systèmes capables d’agir |
| Planification | Non | Limitée | Règles fixes | Décompose les objectifs en étapes | Coordonne plusieurs agents |
| Utilisation d’outils | Non | Quelques intégrations | Prédéfinie | Sélectionne et utilise des outils | Orchestration à l’échelle du système |
| Mémoire | Session uniquement | Session + contexte | Aucune | À court et à long terme | Persistante entre les agents |
| Autonomie | Aucune | Faible | Aucune | Modérée à élevée | Variable selon la conception |
Terminologie et vocabulaire essentiels
| Terme | Définition |
| Agent | Système d’IA autonome qui perçoit son environnement, prend des décisions et agit pour atteindre des objectifs précis. |
| IA agentique | Systèmes d’IA conçus pour agir de manière autonome au nom des utilisateurs, en prenant des décisions et des mesures sans intervention humaine constante. |
| Autonomie | Degré auquel un agent peut agir de manière indépendante sans approbation humaine. |
| Planification | Processus consistant à décomposer un objectif en étapes ou décisions plus petites. |
| Raisonnement | Capacité de l’agent à traiter des informations, à tirer des conclusions et à prendre des décisions logiques. |
| Utilisation d’outils/appels d’outils | Capacité d’un agent à interagir avec des API, des bases de données, des applications ou des systèmes externes. |
| Appel de fonction | Moyen structuré permettant aux modèles d’IA de déclencher des outils ou des actions logicielles. |
| Mémoire | Contexte stocké qui aide un agent à assurer la continuité entre les interactions. |
| Orchestration | Couche de coordination qui gère les workflows, les outils, les modèles et les agents fonctionnant ensemble. |
| Humain dans la boucle (HITL) | Modèle de gouvernance dans lequel des humains vérifient, approuvent ou interrompent une action avant son exécution. |
| Garde-fous | Politiques, autorisations et contrôles qui limitent ce à quoi un agent peut accéder ou ce qu’il peut faire. |
| Système multi-agents (MAS) | Ensemble de plusieurs agents IA qui travaillent, communiquent et se coordonnent pour résoudre des problèmes complexes. |
| Fenêtre de contexte | Quantité de texte (en tokens) qu’un modèle d’IA peut traiter et mémoriser au cours d’une même interaction. |
Comment fonctionne l’IA agentique : le modèle en trois composants
À un niveau général, l’IA agentique comporte trois composants principaux.
- L’agent lui-même : Alimenté par un LLM ou un autre moteur d’IA qui fournit des capacités de raisonnement et de prise de décision.
- Outils et connecteurs : permettent à l’agent d’accéder aux données, aux logiciels ou au monde extérieur — notamment aux API, aux bases de données, à la recherche web, à l’exécution de code et aux opérations sur le système de fichiers.
- Protocoles et frameworks : guident la manière dont les agents interagissent, collaborent et respectent les limites définies par les humains.
En pratique, un système d’IA agentique ne se contente pas de générer une réponse ; il peut effectuer des actions telles que planifier des réunions, rechercher des informations, gérer des workflows, optimiser des processus ou collaborer avec d’autres agents au sein d’un réseau.
Composants architecturaux
Selon le guide d’IBM, un système d’IA agentique comprend :
- Composant d’orchestration des agents : gère et coordonne les actions d’un ensemble d’agents.
- Composant d’entrée : une ou plusieurs sources d’entrée qui déclenchent l’action de l’agent.
Les architectures plus détaillées comprennent :
- Un ou plusieurs agents ayant accès à des modèles, des outils et une mémoire pour accomplir des tâches.
- Une orchestration pour coordonner plusieurs agents.
- Des garde-fous pour encadrer et sécuriser les actions des agents.
Une taxonomie universitaire unifiée décompose les agents fondés sur des LLM en six dimensions modulaires.
- Composants essentiels : perception, mémoire, action, profilage
- Architecture cognitive : planification, réflexion
- Apprentissage
- Systèmes multi-agents
- Environnements
- Évaluation
Capacités fondamentales des agents IA
Raisonnement et planification
Les agents utilisent le raisonnement en chaîne pour décomposer les tâches complexes en étapes gérables. Les agents modernes utilisent des techniques comme :
- ReAct (Reason + Act) : Réfléchir > Agir > Observer > Recommencer
- Planifier et exécuter : Créer un plan complet, puis exécuter les étapes.
- Tree of thought :Explorer des espaces de problèmes complexes.
Systèmes de mémoire
| Type de mémoire | Description |
| Mémoire à court terme | Historique des conversations au sein d’une session |
| Mémoire de travail | Bloc-notes pour les résultats intermédiaires |
| Mémoire à long terme | Base de données vectorielle pour les connaissances persistantes |
| Mémoire épisodique | Enregistrements des tâches exécutées précédemment à des fins d’apprentissage |
Utilisation d’outils
Les agents peuvent appeler des outils externes, notamment pour effectuer des recherches sur le Web, exécuter du code, interroger des bases de données, appeler des API et effectuer des opérations sur le système de fichiers. Le modèle décide de l’outil à utiliser en fonction de la tâche.
Collaboration entre plusieurs agents
Les tâches complexes sont réparties entre des agents spécialisés. Par exemple, un chercheur recueille des informations, un programmeur écrit du code et un réviseur vérifie la qualité. Un agent superviseur orchestre l’équipe.
Modèles de conception des agents
| Modèle | Fonctionnement | Idéal pour |
| ReAct | Réfléchir > Agir > Observer > Recommencer | Agents généralistes |
| Planifier et exécuter | Créer un plan complet, puis exécuter les étapes | Flux de travail structurés |
| Réflexion | L’agent examine et améliore ses propres résultats | Tâches où la qualité est critique |
| Superviseur | L’agent manager délègue le travail à des agents exécutants | Systèmes multi-agents complexes |
| Essaim | Agents pairs avec des protocoles de transfert | Routage flexible |
| Humain dans la boucle | L’agent se met en pause en attendant l’approbation d’un humain | Décisions à forts enjeux |
| Évaluateur-optimiseur | Un agent évalue, un autre optimise | Amélioration itérative |
| Chaînage de prompts | Prompts séquentiels s’appuyant les uns sur les autres | Transformations en plusieurs étapes |
| Parallélisation | Plusieurs agents travaillent simultanément | Tâches où la rapidité est critique |
| Routage | Acheminer les tâches vers des agents spécialisés | Classification/distribution |
La couche protocolaire : comment les agents communiquent avec les outils et entre eux
Deux protocoles ouverts sous-tendent désormais la plupart des architectures multi-agents en production, et ils répondent à des problèmes différents :
Model Context Protocol (MCP) — Anthropic, novembre 2024
- Un standard ouvert qui définit la manière dont un système d’IA se connecte à des outils et sources de données externes (bases de données, systèmes de fichiers, Slack, GitHub, etc.) — décrit par Anthropic comme un « port USB-C pour les applications d’IA ».
- Résout le problème d’intégration « N×M » : avant MCP, chaque modèle avait besoin d’un connecteur personnalisé pour chaque outil.
- Repose sur JSON-RPC 2.0 et reprend des idées du Language Server Protocol.
- Adopté par OpenAI (mars 2025) et Google DeepMind peu après son lancement.
- Décembre 2025 : Anthropic a fait don de MCP à l’Agentic AI Foundation (AAIF), un fonds dirigé par la Linux Foundation et cofondé par Anthropic, Block et OpenAI.
- Un article technique d’Anthropic de novembre 2025 Anthropic engineering post montre que laisser les agents écrire du code qui appelle des outils MCP (plutôt que d’injecter la définition de chaque outil dans le contexte) peut réduire jusqu’à environ 98,7 % le surcoût en jetons pour les tâches faisant largement appel aux outils.
Agent2Agent Protocol (A2A) — Google, avril 2025
- Un standard ouvert qui définit la manière dont un agent découvre un autre agent et lui délègue du travail, indépendamment des fournisseurs : le protocole « horizontal », complémentaire du rôle « vertical » de MCP pour l’accès aux outils.
- Utilise HTTP + Server-Sent Events + JSON-RPC 2.0 ; les agents publient une Agent Card décrivant ce qu’ils peuvent faire et la manière de les appeler.
- Lancé avec plus de 50 partenaires technologiques (Salesforce, MongoDB, LangChain, Accenture) ; il aurait dépassé les 150 organisations partenaires en avril 2026.
- Google présente explicitement A2A comme complémentaire de MCP, et non comme un protocole concurrent.
En résumé : A2A achemine la tâche vers l’agent approprié ; MCP fournit à cet agent les outils et les données dont il a besoin pour effectuer réellement le travail.
Frameworks et SDK : avec quoi construire concrètement
Il n’existe pas de framework « meilleur » que les autres. Le bon choix dépend de vos besoins : prototypage rapide, contrôle déterministe en production ou intégration étroite avec un fournisseur de modèles donné. Le secteur s’est fortement consolidé en 2025–2026.
| Framework | Concepteur | Modèle d’orchestration | Idéal pour | Compromis notable |
| LangGraph | LangGraph | Graphe orienté, arêtes conditionnelles, points de contrôle intégrés | La production et les secteurs réglementés nécessitant des pistes d’audit et des pauses avec humain dans la boucle | Courbe d’apprentissage plus raide ; davantage de code répétitif avant d’obtenir un premier agent fonctionnel |
| CrewAI | CrewAI | « Équipes » fondées sur les rôles (personas de type chercheur/rédacteur/réviseur) | Le chemin le plus rapide vers un prototype multi-agents fonctionnel | Points de contrôle et observabilité intégrés historiquement plus limités ; la communauté signale des difficultés avec les intégrations de modèles autres qu’OpenAI |
| OpenAI Agents SDK | OpenAI | « Transferts » explicites entre agents | Des applications propres et prescriptives reposant sur un seul fournisseur, avec MCP natif et outils en bac à sable | Initialement limité aux modèles OpenAI, même si le SDK fonctionne avec plus de 100 modèles via des points de terminaison compatibles |
| Microsoft Agent Framework | Microsoft | Flux de travail fondés sur des graphes ; unifie les anciens AutoGen et Semantic Kernel | Les entreprises .NET/Azure natives souhaitant un SDK pris en charge unique | AutoGen lui-même est désormais en mode maintenance, remplacé par ce framework (qui a atteint la version 1.0 GA) |
| Google ADK (Agent Development Kit) | Arbre d’agents hiérarchique ; prise en charge native d’A2A | Agents multimodaux et déploiements natifs de GCP/Vertex | Optimisé pour Gemini, tout en prenant en charge d’autres modèles | |
| Claude Agent SDK | Anthropic | Chaînes d’utilisation d’outils avec des sous-agents pouvant être créés (la même architecture que celle de Claude Code) | Applications axées sur la sécurité et natives de MCP ; agents nécessitant un raisonnement approfondi ou prolongé | Uniquement les modèles Claude |
| Smolagents | Hugging Face | Boucle minimale à agent unique | Le moyen le plus rapide de créer un système à agent unique sans orchestration complexe | Non conçu pour la coordination complexe de plusieurs agents |
| Semantic Kernel | Microsoft | Fondé sur des plug-ins/compétences | .NET/équipes d’entreprise (désormais intégré au Microsoft Agent Framework) | En cours d’absorption par le framework unifié ci-dessus |
| LlamaIndex (Workflows) | LlamaIndex | Piloté par les événements, axé sur le RAG | Pipelines riches en documents et gourmands en données | Moins généraliste que LangGraph pour une logique d’agent arbitraire |
| Haystack | deepset | Architecture en pipeline | Pipelines de recherche centrés sur le RAG | Périmètre plus étroit que celui des frameworks d’agents complets |
| Dify | Dify | Visuel, par glisser-déposer | Non-ingénieurs/prototypage visuel rapide | Moins de contrôle au niveau du code |
Comment les agents sont évalués
Aucun benchmark ne permet à lui seul de mesurer « la qualité d’un agent ». Le domaine utilise un ensemble de suites spécifiques à chaque tâche :
| Benchmark | Tests | Échelle |
| SWE-bench/SWE-bench Verified | Résolution de véritables problèmes GitHub à l’aide d’un correctif fonctionnel | 2 294 problèmes (500 dans le sous-ensemble vérifié par des humains) |
| GAIA | Tâches d’assistant général nécessitant la navigation web, l’analyse de fichiers et un raisonnement en plusieurs étapes | 466 questions du monde réel |
| WebArena | Navigation web autonome sur des sites de commerce en ligne, des forums, des outils de développement et des CMS | 812 tâches à horizon long ; référence humaine ≈78 % |
| AgentBench | Raisonnement d’agents dans plusieurs domaines (systèmes d’exploitation, bases de données, graphes de connaissances, jeux, web) | 8 environnements, 29 LLM évalués à l’origine |
| τ-bench/τ²-bench | Interaction entre outils, agents et utilisateurs dans le respect de contraintes réelles en matière de politiques (service client) | Secteurs de la vente au détail et du transport aérien |
| OSWorld | Contrôle réel d’ordinateurs de bureau dans différents environnements de systèmes d’exploitation | Tâches fonctionnelles basées sur des machines virtuelles |
Sécurité et risques : le Top 10 de l’OWASP pour les applications agentiques (2026)
Publié en décembre 2025 par l’OWASP GenAI Security Project, élaboré avec la contribution de plus de 100 chercheurs en sécurité et relu notamment par des représentants du NIST, de l’Alan Turing Institute et de l’AI Red Team de Microsoft. Il complète — plutôt qu’il ne remplace — l’OWASP Top 10 for LLM Applications existant, car l’autonomie, l’intégration d’outils et l’état persistant introduisent de nouvelles catégories de défaillances véritablement inédites.
| ID | Risques | Description |
| ASI01 | Détournement de l’objectif de l’agent | Un attaquant redirige l’objectif de l’agent au moyen d’une entrée piégée (e-mail, document, contenu web, invitation de calendrier) — les agents ne savent pas distinguer de manière fiable les instructions des données |
| ASI02 | Mauvaise utilisation et exploitation des outils | L’agent invoque un outil légitime d’une manière ou dans un ordre non autorisé, ce qui entraîne des effets secondaires nuisibles |
| ASI03 | Abus d’identité et de privilèges | L’identité ou les autorisations de l’agent sont utilisées à mauvais escient ou élevées illicitement |
| ASI04 | Vulnérabilités de la chaîne d’approvisionnement agentique | Risque lié aux outils tiers, aux serveurs MCP, aux frameworks et aux registres dont l’agent dépend lors de son exécution |
| ASI05 | Exécution inattendue de code (RCE) | La limite du bac à sable d’exécution du code de l’agent cède |
| ASI06 | Empoisonnement de la mémoire et du contexte | La mémoire persistante ou le contexte récupéré est manipulé afin d’induire en erreur les étapes suivantes |
| ASI07 | Communication interagents non sécurisée | Les messages échangés entre les agents sont usurpés, rejoués ou non authentifiés |
| ASI08 | Défaillances en cascade | L’erreur ou la compromission d’un agent se propage à l’ensemble d’un système multi-agent |
| ASI09 | Exploitation de la confiance entre humains et agents | Les humains sont trompés par les résultats des agents ou leur accordent une confiance excessive, au point de prendre des mesures nuisibles |
| ASI10 | Agents renégats | Un agent fonctionne en dehors de la politique prévue — par dérive, défaut de conception ou compromission |
Technique d’atténuation principale
- Considérez toute entrée en langage naturel, y compris les documents RAG et les sorties des outils, comme non fiable.
- Appliquez le principe du moindre privilège (« moindre agentivité ») à ce qu’un agent est autorisé à faire de manière autonome, et pas seulement à ce à quoi il peut accéder.
- Attribuez aux agents une identité propre, limitée et de courte durée, plutôt que de les laisser emprunter la session d’un utilisateur.
- Soumettez les actions irréversibles ou à forts enjeux à des étapes de validation humaine.
- Menez des exercices de red team ciblant spécifiquement l’injection de prompts, la mauvaise utilisation des outils et l’élévation de privilèges dans les workflows d’agents, et pas uniquement les jailbreaks à un seul tour.
Où trouver l’IA agentique
L’IA agentique se trouve principalement à deux endroits :
- Fournisseurs spécialisés : Plateformes conçues spécifiquement pour créer et orchestrer des agents, permettre la collaboration entre plusieurs agents et gérer des workflows orientés vers des objectifs, notamment des start-up axées sur l’automatisation des entreprises, les assistants de recherche, les agents pour développeurs et les solutions verticales dans les secteurs de la santé, de la finance et du service client.
- Plateformes logicielles généralistes : Les suites de productivité, les systèmes CRM, les plateformes marketing et les logiciels de gestion informatique intègrent des agents capables de planifier, hiérarchiser et exécuter des tâches spécifiques, souvent désignés comme des copilotes, des assistants ou des workflows.
Produits et cas d’usage réels (ce qui est effectivement disponible)
| Catégorie | Exemples | Remarques |
| Codage agentique | Claude Code, GitHub Copilot agent mode, OpenAI Codex, Cursor, Windsurf, Devin (Cognition) | La catégorie agentique la plus mature de l’avis général ; largement évaluée au moyen de SWE-bench |
| Agents d’utilisation d’ordinateurs/GUI | Claude Computer Use (Anthropic), Operator/CUA (OpenAI), Gemini Computer Use (Google, issu de Project Mariner) | Chacun capture des écrans et émet des actions à la souris et au clavier ; évalués sur OSWorld et WebArena. |
| Agents CRM et de workflows d’entreprise | Salesforce Agentforce (anciennement Einstein Copilot), IBM watsonx, Microsoft Copilot Studio | Destinés à des déploiements d’entreprise encadrés et auditables |
| Agents de service client | Modélisés et évalués au moyen des domaines τ-bench de Sierra (vente au détail, transport aérien, télécommunications) | Sierra a explicitement conçu τ-bench à partir de son expérience en production avec des agents en contact direct avec les clients |
Gestion de l’IA agentique
Bonnes pratiques pour gérer le déploiement d’une IA agentique :
- Commencez modestement : Donnez à un agent un objectif clair et limité, puis observez ses performances.
- Comprenez les points forts et les faiblesses avant d’élargir le périmètre.
- Maintenez une supervision humaine par des règles, des points de contrôle et une gouvernance.
- Garantir des données de haute qualité ; le principal risque lors du déploiement réside dans des données médiocres, obsolètes ou non structurées qui alimentent les agents.
- Mettre en place une observabilité et des contrôles de sécurité.
Une checklist décisionnelle pratique
- Un simple appel à un LLM bien conçu (avec récupération de données ou exemples) pourrait-il suffire à résoudre ce problème ? Si oui, arrêtez-vous là : ne construisez pas d’agent.
- La structure de la tâche est-elle clairement définie et répétable ? Utilisez un workflow (chaînage, routage, parallélisation), plutôt qu’un agent autonome. Vous y gagnerez en prévisibilité et en coûts réduits.
- La tâche nécessite-t-elle une flexibilité sans a priori, un raisonnement en plusieurs étapes ou la capacité à se remettre de situations inattendues ? Un agent autonome se justifie, mais prévoyez un compromis entre latence et coût.
- Disposez-vous d’un signal d’évaluation clair et automatisable ? Si oui, une boucle évaluateur-optimiseur ou un pattern de réflexion apporte une réelle valeur ajoutée ; sinon, cette boucle peut devenir circulaire et peu fiable.
- S’agit-il d’une tâche à forts enjeux ou irréversible (paiements, suppressions, communications externes) ? Insérez un point de contrôle avec validation humaine, quelle que soit la performance de l’agent dans les benchmarks.
- Coordonnez-vous plusieurs agents ? Assurez-vous que les écritures restent mono-threads ou que le contexte est entièrement partagé ; ne supposez pas que des sous-agents parallèles parviendront à des conclusions compatibles sans cela.
- Avant la mise en production, réalisez vos propres évaluations sur votre propre charge de travail. Les classements publics des benchmarks servent à filtrer ce qui « vaut la peine d’être testé », pas à prédire vos performances en production.
Pour conclure
L’IA agentique marque un tournant décisif dans l’évolution de la technologie. Elle témoigne du passage de systèmes d’IA conçus comme des outils que l’on consulte à des systèmes d’IA capables de prendre des initiatives et d’agir comme des partenaires. Si la voie à suivre est marquée par un battage médiatique considérable, des défis complexes et une nécessaire correction du marché, le potentiel sous-jacent est indéniable.
L’IA agentique n’est pas une simple tendance de plus ; c’est l’étape logique suivante dans la quête de machines capables de collaborer véritablement avec nous pour résoudre des problèmes complexes du monde réel. Les organisations qui sauront gérer avec succès les complexités de la gouvernance, de la sécurité et de la préparation des données seront les mieux placées pour libérer leur pouvoir de transformation.
À lire également : les agents d’IA passent du statut de simples assistants à celui de systèmes capables de planifier, d’utiliser des outils et d’agir au sein de workflows ; notre antisèche sur les agents d’IA explique les principaux termes, les risques et les cas d’usage en entreprise.